用Python解决Excel问题的最佳姿势

Posted 毕加锁

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用Python解决Excel问题的最佳姿势相关的知识,希望对你有一定的参考价值。

 大家好,我是毕加锁。

今天给大家带来的是用Python解决Excel问题的最佳姿势

文末送书! 文末送书! 文末送书!

「问题说明」

这次要处理的excel有两个sheet,要根据其中一个sheet的数据来计算另外一个sheet的值。造成问题的点在于,要计算值的sheet里不仅仅有数值,还有公式。我们来看一下:

如上图所示,这个excel一共有两个sheet:CP和DS,我们要按照一定的业务规则,根据CP中的数据计算DS对应单元格的数据。图中蓝色方框框出来的是带公式的,而其他区域是数值。

我们来看看,如果我们按照之前说的处理逻辑,把excel一次性批量读取到dataframe处理,然后再一次性批量写回去有啥问题。这部分代码如下:

import pandas as pd
import xlwings as xw

#要处理的文件路径
fpath = "data/DS_format.xlsm"

#把CP和DS两个sheet的数据分别读入pandas的dataframe
cp_df = pd.read_excel(fpath,sheet_name="CP",header=[0])
ds_df = pd.read_excel(fpath,sheet_name="DS",header=[0,1])

#计算过程省略......

#保存结果到excel       
app = xw.App(visible=False,add_book=False)
ds_format_workbook = app.books.open(fpath)
ds_worksheet = ds_format_workbook.sheets["DS"]
ds_worksheet.range("A1").expand().options(index=False).value = ds_df 
ds_format_workbook.save()
ds_format_workbook.close()
app.quit()

如上代码存在的问题在于,pd.read_excel()方法从excel里读取数据到dataframe的时候,对于有公式的单元格,会直接读取公式计算的结果(如果没有结果则返回Nan),而我们写入excel的时候是直接把dataframe一次性批量写回的,这样之前带公式的单元格,被写回的就是计算出来的值或Nan,而丢掉了公式。

好了,问题出现了,我们该如何解决呢?这里会想到两个思路:

  1. dataframe写回excel的时候,不要一次性批量写回,而是通过行和列的迭代,只写回计算的数据,有公式的单元格不动;

  2. 读取excel的时候,有没有办法做到对于有公式的单元格,读取公式,而不是读取公式计算的结果;

我确实按照上面两个思路分别尝试了一下,我们一起来看一下。

「方案1」

如下代码尝试遍历dataframe然后按单元格写入对应的值,有公式的单元格不动

#根据ds_df来写excel,只写该写的单元格
for row_idx,row in ds_df.iterrows():
    total_capabity_val = row[('Total','Capabity')].strip()
    total_capabity1_val = row[('Total','Capabity.1')].strip()
    #Total和1Gb  Eqv.所在的行不写
    if total_capabity_val!= 'Total' and total_capabity_val != '1Gb  Eqv.':
        #给Delta和LOI赋值
        if total_capabity1_val == 'LOI' or total_capabity1_val == 'Delta':
            ds_worksheet.range((row_idx + 3 ,3)).value = row[('Current week','BOH')]
            print(f"ds_sheet的第row_idx + 3行第3列被设置为row[('Current week','BOH')]") 
        #给Demand和Supply赋值
        if total_capabity1_val == 'Demand' or total_capabity1_val == 'Supply':
            cp_datetime_columns = cp_df.columns[53:]
            for col_idx in range(4,len(ds_df.columns)):
                ds_datetime = ds_df.columns.get_level_values(1)[col_idx]
                ds_month = ds_df.columns.get_level_values(0)[col_idx]
                if type(ds_datetime) == str and ds_datetime != 'TTL' and ds_datetime != 'Total' and (ds_datetime in cp_datetime_columns):
                    ds_worksheet.range((row_idx + 3,col_idx + 1)).value = row[(f'ds_month',f'ds_datetime')]
                    print(f"ds_sheet的第row_idx + 3行第col_idx + 1列被设置为row[(f'ds_month',f'ds_datetime')]") 
                elif type(ds_datetime) == datetime.datetime and (ds_datetime in cp_datetime_columns):
                    ds_worksheet.range((row_idx + 3,col_idx + 1)).value = row[(f'ds_month',ds_datetime)]     
                    print(f"ds_sheet的第row_idx + 3行第col_idx + 1列被设置为row[(f'ds_month',ds_datetime)]")   

如上的代码确实解决了问题,也即有公式的单元格的公式被保留了。但是,根据我们文章开头提到的Python处理excel的忠告,这个代码是有严重性能问题的,因为它通过api频繁操作excel的单元格,导致写入非常慢,在我的老迈Mac本上一共跑了40分钟,简直不可接受,故该方案只能放弃。

「方案2」

这个方案是希望做到读取excel有公式值的单元格的时候,能保留公式值。这只能从各个Python的excel库的API来寻找有无对应的方法了。Pandas的read_excel()方法我仔细看了一下没有对应的参数可以支持。Openpyxl我倒是找到了一个API可以支持,如下:

import openpyxl
ds_format_workbook = openpyxl.load_workbook(fpath,data_only=False)
ds_wooksheet = ds_format_workbook['DS']
ds_df =  pd.DataFrame(ds_wooksheet.values)

关键是这里的data_only参数,为True则返回数据,为False的情况下可以保留公式值

本以为找到了对应解决方案正一顿窃喜,但当我看到通过openpyxl读取到dataframe中的数据结构的时候,才被破了一盆冷水。因为我的excel表的表头是比较复杂的两级的表头,表头中还存在合并和拆分单元格的情况,这样的表头被openpyxl读取到dataframe后,没有按照pandas的多级索引进行处理,而是简单的被处理成数字索引0123...

但我对dataframe的计算会依赖多级索引,因此openpyxl的这种处理方式导致我后面的计算无法处理。

openpyxl不行,再看看xlwings呢?通过对xlwings API文档的一通寻找,还真给我找到了,如下所示:

Range类提供了一个Property叫formula,可以获取和设置formula。

看到这个我简直如获至宝,赶紧代码操练起来。也许出于惯性,又或许是被之前按行列单元格操作excel的效率搞怕了,我直接先想到的方案还是一次性批量搞定,也即一次性读取excel所有的公式,然后再一次性写回去,所以我一开始的代码是这样的:

#使用xlwings来读取formula
app = xw.App(visible=False,add_book=False)
ds_format_workbook = app.books.open(fpath)
ds_worksheet = ds_format_workbook.sheets["DS"]
#先把所有公式一次性读取并保存下来
formulas = ds_worksheet.used_range.formula

#中间计算过程省略...

#一次性把所有公式写回去
ds_worksheet.used_range.formula = formulas 

可是我想错了,ds_worksheet.used_range.formula让我误解只会返回excel中的有公式的单元格的公式,但其实它返回的是所有的单元格,只是对有公式的单元格保留了公式。所以,当我重新写回公式的时候,会覆盖掉我通过dataframe计算完并写入excel的其他的值。

既然这样的话,那我只能对有公式的单元格分别处理而不是一次性处理了,所以代码得这样写:

#使用xlwings来读取formula
app = xw.App(visible=False,add_book=False)
ds_format_workbook = app.books.open(fpath)
ds_worksheet = ds_format_workbook.sheets["DS"]

#保留excel中的formula
#找到DS中Total所在的行,Total之后的行都是formula
row = ds_df.loc[ds_df[('Total','Capabity')]=='Total ']
total_row_index = row.index.values[0]
#获取对应excel的行号(dataframe把两层表头当做索引,从数据行开始计数,而且从0开始计数。excel从表头就开始计数,而且从1开始计数)
excel_total_row_idx = int(total_row_index+2)
#获取excel最后一行的索引
excel_last_row_idx = ds_worksheet.used_range.rows.count
#保留按日期计算的各列的formula
I_col_formula = ds_worksheet.range(f'I3:Iexcel_total_row_idx').formula
N_col_formula = ds_worksheet.range(f'N3:Nexcel_total_row_idx').formula
T_col_formula = ds_worksheet.range(f'T3:Texcel_total_row_idx').formula
U_col_formula = ds_worksheet.range(f'U3:Uexcel_total_row_idx').formula
Z_col_formula = ds_worksheet.range(f'Z3:Zexcel_total_row_idx').formula
AE_col_formula = ds_worksheet.range(f'AE3:AEexcel_total_row_idx').formula
AK_col_formula = ds_worksheet.range(f'AK3:AKexcel_total_row_idx').formula
AL_col_formula = ds_worksheet.range(f'AL3:ALexcel_total_row_idx').formula
#保留Total行开始一直到末尾所有行的formula
total_to_last_formula = ds_worksheet.range(f'Aexcel_total_row_idx+1:ALexcel_last_row_idx').formula

#中间计算过程省略...

#保存结果到excel                 
#直接把ds_df完整赋值给excel,会导致excel原有的公式被值覆盖
ds_worksheet.range("A1").expand().options(index=False).value = ds_df 
#用之前保留的formulas,重置公式
ds_worksheet.range(f'I3:Iexcel_total_row_idx').formula = I_col_formula
ds_worksheet.range(f'N3:Nexcel_total_row_idx').formula = N_col_formula
ds_worksheet.range(f'T3:Texcel_total_row_idx').formula = T_col_formula
ds_worksheet.range(f'U3:Uexcel_total_row_idx').formula = U_col_formula
ds_worksheet.range(f'Z3:Zexcel_total_row_idx').formula = Z_col_formula
ds_worksheet.range(f'AE3:AEexcel_total_row_idx').formula = AE_col_formula
ds_worksheet.range(f'AK3:AKexcel_total_row_idx').formula = AK_col_formula
ds_worksheet.range(f'AL3:ALexcel_total_row_idx').formula = AL_col_formula
ds_worksheet.range(f'Aexcel_total_row_idx+1:ALexcel_last_row_idx').formula = total_to_last_formula

ds_format_workbook.save()
ds_format_workbook.close()
app.quit()

经测试,如上代码完美地解决我的需求,而且性能上也完全没问题。

「写在最后」

通过这几次用Python对Excel进行处理的实践,让我深刻感觉到,Pandas用于对Excel数据的高效内存计算是很不错的,但涉及到对Excel的读写以及一些跟样式、格式相关的操作,还是得依赖xlwings或openpyxl等其他库来完成,因此,在用Python处理Excel的场景,最佳方案是将Pandas和xlwings或openpyxl等库结合起来一起使用是最佳组合。

「粉丝福利」

在此评论区 评论“人生苦短 我学python”即可参与抽奖

专家推荐

回看近20年的企业培训经历,最直接有效的培训就是能够交付实操技能,回去就能快速上手的课。正如两位老师的这本《Excel高效应用:HR数字化管理实战》书籍,它不仅是一本工具书,还融汇了讲师多年的数据管理实战经验。面对繁杂的HR工作,它能够给我们带来的最大价值,就是帮助我们如何构建好用易上手的Excel自动化数据系统,让我们在数据分析与管理路上少走弯路。

易迪思(中国)培训中心CEO  刘新

《Excel高效应用:HR数字化管理实战》的两位作者深耕企业培训领域多年,为世界500强企业设计职业技能培训课程的同时,也为企业打造量身定制化的数据分析解决方案。本书凝结了两位讲师多年从业经验,针对职场员工面临的实际问题,通过大量案例分析,从Excel实战应用思路和技巧两个维度,为HR专业人士提供了一套高效的数据处理解决方案,快速提升办公效率。

国研世讯教育管理咨询有限公司  董事长  索爱玲

 在此评论区 评论“人生苦短 我学python”即可参与抽奖

在此评论区 评论“人生苦短 我学python”即可参与抽奖

在此评论区 评论“人生苦短 我学python”即可参与抽奖

以上是关于用Python解决Excel问题的最佳姿势的主要内容,如果未能解决你的问题,请参考以下文章

Python自动录入ERP系统数据

R读取excel文件的最佳方式

路径 alias 在 Node 中的最佳姿势

利用Python数据分析-Numpy和Pands篇

Python数据分析pands中的Merge与join

Python pands和matplotlib常用命令